以ChatGPT为代表的语言类大模型重塑内容生成方式时，多模态模型还在等待它的"iPhone时刻"。近日召开的2025智源大会上，智源研究院（以下简称"智源"）正式发布了包括原生多模态世界模型Emu3等"悟界"大模型系列，Emu3实现了文本、图像、视频的任何组合理解与生成，通过单一模型就可以捕捉世界的规律。 AI发展之快，每年都有新话题，2024年，价格战是大模型的关键词，2025感到风向变了，大模型应用百花齐放，反而有种大模型发展"变慢"了的体感。 事实上，市场上新旧产物同台竞技，呈现出立体、多维度的思考，多模态大模型更是如此。按照当前技术成熟度评估，视频生成等核心能力仍处于GPT-2到GPT-3的过渡阶段，与产业预期存在显著差距。多模态模型将经历更长的技术沉淀期，这也意味着更大的想象力空间。 大模型爆发至今，很多时候无外乎是选对了方向，又懂得流量密码，一个现象级产物就横空出世了。事实上，这种选择需要前期足够多的思考、实践和勇气。 严格来说，Emu3是智源2024年10月发布的多模态模型，目前智源已在训练下一个版本。基于Emu3，智源还官宣了全球首个脑科学多模态通用基础模型见微Brainμ。 "当前多模态大模型的学习路径，尤其是多模态理解模型，通常是先将语言模型训练到很强的程度，再学习其他模态信息。"智源研究院院长王仲远向北京商报记者解释，"这就如同先达到博士学位水平，再去接触其他知识，在这个过程中，模型的能力可能会出现下降，从博士水平降到大学甚至高中水平。" Emu3所谓的原生多模态大模型的原生正是如此，"是指在模型训练初始阶段，就将文字、图像、声音乃至脑信号等各种模态数据都纳入其中进行训练。随着模态种类不断增加，如何从繁杂的模态数据中筛选出最有效的信息，成为亟待突破的技术难题"，据王仲远介绍，这与公司选择的技术路线存在差异。 以曹越在微软研究院、智源研究院又创立Sand.ai的经历，他认为过去有两个技术进展最令人印象深刻，"一个是ChatGPT，或者说预训练的规模化，另一个是GPT-o2和DeepSeek R2这种类型的技术，本质上是Test-time scaling（测试时缩放）"。 在他所在的视频生成领域，"Sora的出现，让大家意识到视频生成的质量可以这么高，但从技术方向看，DiT训练方案有很大问题，核心问题就是不够可拓展"，曹越以大语言模型举例对比，"有点像2018年的BERT。当时核心痛点是，当训到10B大小时，要再更大时就不会有进步了。BERT一开始有很好的生成效果，但是ChatGPT后来者居上，因为ChatGPT可以训1000B。这意味着在技术方案方面还有很大的技术空间，生成效果上也有很大的提升空间"。 梅涛把视频生成问题总结为三点，叙事性、稳定性、可控性。"要保证视频做5分钟和1小时是完整的故事，IP要有一致性。稳定性现在做得还可以"，谈到可控性，他拿自己在北京电影学院上过的一门课"镜头的语言"举例，"导演的要求非常高，第几秒出现什么镜头、人物出现什么表情要求非常高，今天的大模型还没有做到这一点，我们还在等待ChatGPT时刻的到来"。 其实，不管是大语言模型还是多模态模型，数据的存量和增量、成本等一系列问题，都会限制发展，但在智谱AI CEO张鹏看来，这都是表面现象，"还有一个最瓶颈、最麻烦的地方就是商业应用"。 他进一步说，"传统的CV（计算机视觉）模型的落地应用比较成熟，大模型在视觉理解能力得到提升，或者泛化能力更强以后，可以迅速替代和填补原来传统的视觉模型应用领域的空白需求，无非就是成本收益比的问题。只要有市场有需求，基础研发人员就可以把成本压下来，形成规模化应用以后，达到商业化应用的临界点"。 对于视频生成来说，张鹏认为，"基于视觉生成，这两个事情还没有完全统一起来。这使得我们要同时兼顾两件事。目前这两件事在技术角度上，没有太好的办法融合到一起，带来的根本约束更大"。 梅涛创立的智象未来关注怎样将多模态模型进行应用，帮助客户和用户发挥创造力，提升生产力。从2023年到2025年，他对多模态模型应用每年都有新观察。 "2023年模型就是产物，我们做的是模型的服务，也就是PaaS（平台即服务），到了2024年可以卖工具，工具就是SaaS（软件即服务），我们希望做每个人都能使用的工具，后来发现工具的使用门槛比较高，特别是做影视级专业内容的需求。2025年我们再往上升级，客户不用关心我们是怎么做的，我们希望直接把结果交给用户，帮用户做增长、跟用户分佣。"梅涛说。 根据中研普华产业研究院的数据，2024年全球多模态AI市场规模达到24亿美元，年均复合增长率超过28%。预计到2025年，全球多模态大模型市场规模将达到1280亿美元，2023—2025年复合增长率高达62.3%。虽有诸多挑战，多模态大模型的未来仍是一片星辰大海。
